Kako visokoproduktivna fenotipizacija temeljena na UAS-u transformira moderno oplemenjivanje biljaka

Predviđa se da će do 2050. godine globalna populacija dosegnuti 9,8 milijardi ljudi, što će udvostručiti potražnju za hranom. Međutim, širenje poljoprivrednog zemljišta kako bi se zadovoljila ta potreba nije održivo. Preko 501 TP3T novog obradivog zemljišta stvorenog od 2000. godine zamijenilo je šume i prirodne ekosustave, pogoršavajući klimatske promjene i gubitak bioraznolikosti.

Kako bi izbjegli ovu krizu, znanstvenici se okreću oplemenjivanju biljaka - znanosti o razvoju usjeva s većim prinosima, otpornošću na bolesti i klimatske promjene. Međutim, tradicionalne metode oplemenjivanja prespore su da bi pratile hitnost problema.

Tu dronovi i umjetna inteligencija (AI) stupaju na scenu kao revolucionarni igrači, nudeći brži i pametniji način uzgoja boljih usjeva.

Zašto tradicionalno oplemenjivanje biljaka zaostaje

Oplemenjivanje biljaka oslanja se na odabir biljaka s poželjnim osobinama, poput otpornosti na sušu ili štetnike, i njihovo križanje tijekom više generacija. Najveće usko grlo u ovom procesu je fenotipizacija - ručno mjerenje karakteristika biljke poput visine, zdravlja lista ili prinosa.

Na primjer, mjerenje visine biljaka na polju od 3000 parcela može trajati tjednima, a ljudske pogreške uzrokuju nedosljednosti i do 20%. Osim toga, prinosi usjeva poboljšavaju se za samo 0,5–1% godišnje, što je daleko ispod stope rasta od 2,9% potrebne za zadovoljavanje potreba 2050. godine.

Kukuruz, osnovna kultura za milijarde ljudi, ilustrira ovo usporavanje: njegov godišnji rast prinosa pao je s 2,21 TP3T u 1960-ima na 1,331 TP3T danas. Kako bi premostili taj jaz, znanstvenicima su potrebni alati koji automatiziraju prikupljanje podataka, smanjuju pogreške i ubrzavaju donošenje odluka.

Kako tehnologija dronova transformira uzgoj biljaka

Dronovi ili bespilotne letjelice (UAS), opremljene naprednim senzorima i umjetnom inteligencijom, revolucioniraju poljoprivredu. Ovi uređaji mogu letjeti iznad polja i prikupljati precizne podatke o tisućama biljaka u minutama, proces poznat kao visokopropusno fenotipiranje (HTP).

Za razliku od tradicionalnih metoda, dronovi prikupljaju podatke s cijelih polja, eliminirajući pristranost uzorkovanja. Koriste specijalizirane senzore za mjerenje svega, od visine biljaka do razine vodnog stresa.

Na primjer, multispektralni senzori detektiraju blisko infracrveno svjetlo koje reflektira zdravo lišće, dok termalne kamere identificiraju stres suše mjerenjem temperature krošnje.

Automatizacijom prikupljanja podataka, dronovi smanjuju troškove rada i ubrzavaju cikluse uzgoja, omogućujući razvoj poboljšanih sorti usjeva u godinama umjesto desetljećima.

Znanost iza senzora i prikupljanja podataka dronovima

Dronovi se oslanjaju na razne senzore za prikupljanje ključnih podataka o biljkama. RGB kamere, najpristupačnija opcija, hvataju vidljivu svjetlost za mjerenje pokrovnosti krošnje i visine biljke. U poljima šećerne trske, ove kamere su postigle točnost od 64–69% u brojanju stabljika, zamijenivši ručno brojanje sklono pogreškama.

Multispektralni senzori idu dalje detektiranjem nevidljivih valnih duljina poput bliskog infracrvenog zračenja, koje koreliraju s razinama klorofila i zdravljem biljaka. Na primjer, predvidjeli su toleranciju na sušu kod šećerne trske s točnošću većom od 80%.

• RGB kamere: Snimanje crvenog, zelenog i plavog svjetla za stvaranje slika u boji.
• Multispektralni senzoriDetektiranje svjetlosti izvan vidljivog spektra (npr. bliskog infracrvenog zračenja).
• Termalni senzoriMjerenje topline koju emitiraju biljke.
• LiDARKoristi laserske impulse za stvaranje 3D mapa biljaka.
• Hiperspektralni senzoriSnimite više od 200 svjetlosnih valnih duljina za ultra detaljnu analizu.

Termalni senzori detektiraju toplinske potpise, identificirajući biljke pod stresom zbog vode koje se čine toplijima od zdravih. Na poljima pamuka, termalni dronovi su uskladili mjerenja temperature s tla s pogreškom manjom od 5%.

LiDAR senzori koriste laserske impulse za stvaranje 3D karata usjeva, mjereći biomasu i visinu s preciznošću od 95% u pokusima s energetskom trskom. Najnapredniji alati, hiperspektralni senzori, analiziraju stotine svjetlosnih valnih duljina kako bi uočili nedostatke hranjivih tvari ili bolesti nevidljive golim okom.

Ovi senzori pomogli su istraživačima da povežu 28 novih gena s odgođenim starenjem pšenice, osobinom koja povećava prinose.

Od leta do uvida: Kako dronovi analiziraju podatke o usjevima

Proces fenotipizacije dronovima započinje pažljivim planiranjem leta. Dronovi lete na nadmorskoj visini od 30 do 100 metara, snimajući preklapajuće slike kako bi se osigurala potpuna pokrivenost. Polje od 10 hektara, na primjer, može se skenirati za 15 do 30 minuta.

Nakon leta, softver poput Agisoft Metashapea spaja tisuće slika u detaljne karte koristeći Structure-from-Motion (SfM) - tehniku koja pretvara 2D fotografije u 3D modele. Ovi modeli omogućuju znanstvenicima da mjere osobine poput visine biljaka ili pokrovnosti krošnje jednim dodirom gumba.

Algoritmi umjetne inteligencije zatim analiziraju podatke, predviđajući prinose ili identificirajući izbijanja bolesti. Na primjer, dronovi su skenirali 3132 parcele šećerne trske za samo 7 sati - zadatak koji bi ručno trajao tri tjedna. Ova brzina i preciznost omogućuju uzgajivačima brže donošenje odluka, poput odbacivanja biljaka slabijeg učinka na početku sezone.

Ključne primjene dronova u modernoj poljoprivredi

Dronovi se koriste za rješavanje nekih od najvećih izazova u poljoprivredi. Jedna od glavnih primjena je izravno mjerenje osobina, gdje dronovi zamjenjuju ručni rad. U poljima kukuruza dronovi mjere visinu biljaka s točnošću od 90%, smanjujući pogreške s 0,5 metara na 0,21 metar.

Također prate pokrivenost krošnjama, metriku koja pokazuje koliko dobro biljke zasjenjuju tlo kako bi suzbile korov. Uzgajivači energetske trske koristili su ove podatke kako bi identificirali sorte koje smanjuju rast korova za 40%.

Još jedan napredak je prediktivni uzgoj, gdje modeli umjetne inteligencije koriste podatke dronova za predviđanje rezultata usjeva. Na primjer, multispektralne snimke predvidjele su prinose kukuruza s točnošću od 80%, nadmašujući tradicionalno genomsko testiranje.

Dronovi također pomažu u otkrivanju gena, pomažući znanstvenicima da lociraju segmente DNK odgovorne za poželjne osobine. Kod pšenice, dronovi su povezali zelenilo krošnje s 22 nova gena, potencijalno povećavajući otpornost na sušu.

Osim toga, hiperspektralni senzori otkrivaju bolesti poput pozelenjivanja citrusa tjednima prije pojave simptoma, dajući poljoprivrednicima vremena za djelovanje.

Povećanje genetskih dobitaka preciznom tehnologijom

Genetska dobit - godišnje poboljšanje svojstava usjeva zbog oplemenjivanja - izračunava se pomoću jednostavne formule:

(Intenzitet selekcije × Nasljednost × Varijabilnost osobina) ÷ Vrijeme ciklusa oplemenjivanja.

Genetski dobitak (ΔG) izračunava se kao:
ΔG = (i × h² × σp) / L

Gdje:

• i = Intenzitet selekcije (koliko su uzgajivači strogi).
• h² = Nasljednost (koliko se osobine prenosi s roditelja na potomstvo).
• σp = Varijabilnost osobina u populaciji.
• L = Vrijeme po ciklusu uzgoja.

Zašto je to važnoDronovi poboljšavaju sve varijable:

1. iSkeniraj 10 puta više biljaka, što omogućuje stroži odabir.
2. h²Smanjiti pogreške mjerenja, poboljšavajući procjene heritabilnosti.
3. σp: Zabilježite suptilne varijacije osobina u cijelim poljima.
4. LSkratite vrijeme ciklusa od 5 godina do 2-3 godine putem ranih predviđanja.

Dronovi poboljšavaju svaki dio ove jednadžbe. Skeniranjem cijelih polja omogućuju oplemenjivačima da odaberu najboljih 1% biljaka umjesto najboljih 10%, povećavajući intenzitet selekcije. Također poboljšavaju procjene heritabilnosti smanjenjem pogrešaka mjerenja.

Na primjer, ručna procjena visine biljke uvodi varijabilnost 20%, dok dronovi to smanjuju na 5%. Štoviše, dronovi bilježe suptilne varijacije osobina kod tisuća biljaka, maksimizirajući varijabilnost osobina.

Najvažnije je da skraćuju cikluse uzgoja omogućujući rana predviđanja. Uzgajivači šećerne trske koji koriste dronove utrostručili su svoje genetske dobitke u usporedbi s tradicionalnim metodama, dokazujući transformativni potencijal tehnologije.

Prevladavanje izazova i prihvaćanje budućnosti

Unatoč obećanjima, fenotipizacija temeljena na dronovima i dalje se suočava sa značajnim izazovima. Visoka cijena naprednih senzora ostaje glavna prepreka - hiperspektralne kamere, na primjer, mogu premašiti $50.000, što ih čini nedostupnima većini malih poljoprivrednika.

Obrada ogromnih količina prikupljenih podataka također zahtijeva značajne resurse računalstva u oblaku, što povećava troškove. Platforme umjetne inteligencije poput AutoGIS-a automatiziraju analizu podataka, eliminirajući potrebu za ručnim unosom.

Istraživači također integriraju dronove sa senzorima tla i meteorološkim stanicama, stvarajući sustav praćenja u stvarnom vremenu koji upozorava poljoprivrednike na štetočine ili suše. Ove inovacije utiru put novoj eri precizne poljoprivrede, gdje odluke temeljene na podacima zamjenjuju nagađanja.

Zaključak

Dronovi i umjetna inteligencija ne transformiraju samo uzgoj biljaka - oni redefiniraju održivu poljoprivredu. Omogućavanjem bržeg razvoja usjeva otpornih na sušu i visokih prinosa, ove tehnologije mogle bi udvostručiti proizvodnju hrane do 2050. bez širenja poljoprivrednog zemljišta.

To bi spasilo više od 100 milijuna hektara šuma, što je ekvivalentno veličini Egipta, i smanjilo ugljični otisak poljoprivrede. Poljoprivrednici koji koriste podatke dronova već su smanjili potrošnju vode i pesticida za do 30%, štiteći ekosustave i smanjujući troškove.

Kao što je jedan istraživač primijetio: “Više ne nagađamo koje su biljke najbolje. Dronovi nam govore.” S kontinuiranim inovacijama, ova fuzija biologije i tehnologije mogla bi osigurati sigurnost hrane za milijarde ljudi, a istovremeno zaštititi naš planet.

Referenca: Khuimphukhieo, I. i da Silva, JA (2025). Visokopropusno fenotipiziranje (HTP) na polju temeljeno na bespilotnim zračnim sustavima (UAS) kao alatni set oplemenjivača biljaka: sveobuhvatan pregled. Smart Agricultural Technology, 100888.